محمود حاجی پور عضو کمیته راهبردی ثبت بیماری‌ها در دانشگاه علوم پزشکی شهید بهشتی در اولین نشست تخصصی "اهمیت داده‌ها در حوزه سلامت؛ چالش‌ها و چشم‌اندازها" که به همت معاونت پژوهشی جهاد دانشگاهی علوم پزشکی شهید بهشتی برگزار شد، با اشاره به موانع و مشکلات مرتبط با حوزه پژوهش و ثبت داده‌ها در کشور، اظهار کرد: اساسا هیچ تصمیمی بدون تحقیق و پژوهش موثر نخواهد شد و در این میان زمانی موفق خواهیم بود که تصمیمات بر پایه تحقیق و پژوهش بوده و در عین حال کاربری و راهبردی باشند.
وی با اشاره به مثلث پژوهش در حوزه سلامت یعنی وزارت بهداشت و مسوولان؛ پژوهشگران و مراکز تحقیقاتی و مردم، عنوان کرد: متاسفانه فاصله بین این اضلاع در کشور ما زیاد بوده و در نتیجه پژوهش‌های کاربردی و راهبردی جهت ارتقای سلامت و کیفیت زندگی و همچنین حل معضلات سیستم سلامت کشور انجام نمی‌شود.
وی ادامه داد: از انجاکه تحقیقات علمی کشور در راستای نیاز مردم و در جهت تصمیمات و سیاستگذاری‌ها نیست، این فاصله منجر به این می‌شود که تصمیمات مبتنی بر پژوهش‌های علمی نبوده و لذا کمکی به ارتقای سطح سلامت جامعه نکند.
این عضو شورای پژوهشی مرکز تحقیقات گوارش و کبد اطفال با بیان اینکه شاخص پیشرفت یک کشور تعداد مقاله‌های علمی آن نیست، گفت: متاسفانه در سال‌های اخیر ارتقای مرتبه علمی اعضای هیات علمی و فارغ‌التحصیلی دانشجویان تحصیلات تکمیلی دانشگاه‌ها به ارایه هرچه بیشتر مقالات منوط شده، این در حالیست که به جای تمرکز بر کمیت باید به کیفیت مقالات پرداخته شود، به عبارت کیفیت مقالات نباید فدای کمیت و ارتقای شاخص‌هایی همچون H-index شود.
این پژوهشگر همچنین با اشاره به تاثیر تحریم‌ها بر پژوهش نیز بیان کرد: تحریم‌ها از یک طرف منجر به کاهش مشارکت‌های علمی بین المللی و نبود و کمبود دسترسی به تجهیزات پیشرفته شده و از طرف دیگر بر عدم چاپ و داوری مقالات ایرانیان و صادر نشدن ویزای پژوهشگران برای شرکت در همایش‌های خارجی اثرگذار است؛ همچنین وضعیت اقتصادی جامعه نیز مشکل پژوهشگران را دوچندان کرده، به گونه‌ای که تنها هزینه چاپ مقاله در یک مجله با ایمپکت بالا حدود 1000 دلار یعنی بیش از 25 میلیون تومان می‌شود، تازه این هزینه جدا از هزینه‌های انجام و اجرای خود پژوهش است.
حاجی پور در ادامه با اشاره به معضل دادههای سلامت در کشور؛ محرمانگی داده‌ها، جزیره‌ای عمل کردن در ثبت دادههای پژوهشی و نداشتن سامانه مدون و منظم داده‌ها را مهمترین معضلات این حوزه دانست و گفت: اگرچه سامانه ثبت دادههای سلامت در کشور موجود است، اما متاسفانه دادههای ضعیف و ناقص در آن ثبت شده و گاها تنها اطلاعات بالینی بیمار ارایه شده و توجهی به دادههای اقتصادی و اجتماعی بیمار نشده که همین مساله فرایند داده‌کاوی را دچار اختلال و در نهایت انجام پژوهش‌های کاربردی و موثر را ناممکن می‌کند.
این اپیدمیولوژیست، رترکت یا رد شدن مقالات ایرانی را مشکل دیگر حوزه پژوهش عنوان کرد و ادامه داد: متاسفانه ایران در زمینه ریرکت مقالات وضعیت خوبی ندارد که مشکلات در نحوه‌ی اختصاص تصادفی در مطالعات کارآزمایی بالینی، غیر قابل قبول بودن و متناقض بودن تعداد شرکت کننده‌ها و توزیع آنها در مطالعات، اجرای غیر اخلاقی برخی ترایال‌ها، اختلاف زیاد بین مستندات ثبت ترایال‌ها با دادههای منتشرشده در مجلات برخی از دلایل ریترکت بالای مقالات ایرانی است که متاسفانه همین مساله دید دنیا را نسبت به مقالات ایرانی تغییر داده است.
حاجی پور در بخش دیگری با اشاره به پروژه ایران 2040 استنفورد که به دنبال پیش‌بینی آینده کشور تحت سناریوهای محتمل است، اظهار کرد: پروژه ایران 2040 استنفورد، ابتکاری دانشگاهی باهدف ترویج و تشویق همکاری‌های علمی در حوزه‌های اقتصادی و فنی مرتبط با توسعه پایدار درازمدت در ایران است. این پروژه تحقیقات کمّی و آینده‌نگر در زمینه گسترده‌ای از حوزه‌های مرتبط با توسعه اقتصادی ایران را ترویج می‌کند.همچنین در قالب این پروژه تاکنون گزارش‌های متنوعی در حوزه‌های آینده نفت و تأثیر آن بر اقتصاد ایران، بررسی وضعیت کشاورزی ایران، افق پیش روی بخش انرژی ایران، وضعیت جمعیتی ایران، اقتصاد ایران و مشکلات ناشی از تحریم‌ها، بانکداری در ایران، وضعیت آب در ایران و نهایتاً بررسی وضعیت پژوهشی ایران منتشر شده است.
حاجی پور در پایان با تاکید بر ضرورت ایجاد یک نظام مدون ثبت دادههای سلامت در کشور، گفت: برای تحقق این مساله باید از جزیره‌ای عمل کردن در زمینه ارایه اطلاعات و دیتاهای پژوهشی و بالینی پرهیز کنیم.
اهمیت ثبت داده های با کیفیت؛ در تولید سیستم های پزشکی
همچنین در ادامه دکتر آرش روشن پور ، هیئت علمی دانشگاه آزاد اسلامیبا اشاره به اهمیت کیفیت دادههای پزشکی در یادگیری عمیق تصریح کرد: فرآیند یادگیری ماشین و بالاخص یادگیری عمیق بشدت وابسته به کمیت و کیفیت داده‌ها است و با توجه به اهمیت تشخیص صحیح در حوزه پزشکی این اهمیت دو چندان می‌شود.
وی با بیان اینکه تولید کنندگان دادههای پزشکی در راستای تولید مدل‌های هوشمند تشخیصی وظایفی دارند ، ادامه داد: از جمله این وظایف می‌توان به اندازه‌گیری دقیق‌تر ، کالیبره نمودن تجهیزات، اطمینان از ورود اطلاعات، کنترل و اعتبارسنجی اطلاعات وارد شده و ممانعت از خالی ماندن مقادیر ضروری اشاره نمود.
وی افزود: تولید کنندگان سیستم های هوشمند پزشکی بعنوان استفاده کنندگان از دادههای پزشکی وظایفی از جمله افزایش دقت در پیش پردازش و پاکسازی داده‌ها، رسیدگی به دادههای فاقد مقدار ، رسیدگی به دادههای پرت و همچنین تقلیل تاثیر نویز در مدلسازی را دارا می‌باشند.
ایشان افزود: انتخاب بهترین خصیصه‌ها و همچنین تنظیم مناسب هایپرپارامترهای مدل از جمله مسائلی است که می‌تواند منجر به کاهش تاثیر نویز در فرآیند مدلسازی گردد.
این هیئت‌علمی دانشگاه آزاد در این نشست به موضوعات تولید سیستم‌های خبره در پزشکی و مشکلات آن ، استفاده از یادگیری ماشین در راستای تقلیل این مشکل، یادگیری در شبکه عصبی مصنوعی، اهمیت رسیدگی به خصیصه‌های پیشگو و تأثیر آنها در تصمیم‌گیری، کیفیت دادههای پزشکی در یادگیری عمیق (یافته‌ها)، مدل‌هایی بر پایه شبکه عصبی عمیق، دادههای پرت، نویز و تولید مدل دارای پیچیدگی کمتر در راستای نادیده گرفتن نویز و... پرداخت.
